Análise Preditiva da Doença de Alzheimer Baseada em Redes Neurais
Introdução
- A Doença de Alzheimer é uma enfermidade neurodegenerativa caracterizada por declínio cognitivo progressivo e impacto significativo na qualidade de vida.
- Com o crescimento da população idosa, a detecção precoce torna-se fundamental para intervenções mais eficazes.
- Técnicas de Machine Learning ganham destaque por identificar padrões complexos em grandes volumes de dados clínicos.
- Banco Alzheimer’s Disease Dataset (Kaggle), contendo 2149 observações de indivíduos ≥ 60 anos, com informações demográficas, clínicas e de estilo de vida.
- Objetivo: desenvolver um modelo preditivo para estimar Alzheimer e apontar variáveis relevantes.
Variáveis Utilizadas
MMSE: Avalia memória, atenção e raciocínio (0–30). Pontuações baixas indicam maior déficit cognitivo.
Avaliação Funcional: Mede a autonomia em tarefas diárias (0–10). Valores menores = maior dificuldade funcional.
ADL: Mede a capacidade de realizar atividades básicas (0–10).
Pontuações menores indicam maior dependência.
Queixas de Memória: Indica se o paciente relata problemas de memória (0 = não, 1 = sim).
Problemas Comportamentais: Registra alterações como irritabilidade ou agitação (0 = não, 1 = sim).
Diagnóstico: 0 = sem Alzheimer, 1 = com Alzheimer. (0 = 1389 e 1 = 760)
Análise Descritiva
Boxplots e Teste de Mann-Whitney para as variáveis quantitativas em relação ao diagnóstico de Alzheimer.
![]()
Análise Descritiva
Percentual linha e teste de qui-quadrado de independência para variáveis qualitativas em relação ao diagnóstico de Alzheimer.
![]()
Divisão treino e teste
![]()
Modelo de Redes Neurais
O modelo foi desenvolvido em Python, utilizando a biblioteca Keras integrada ao TensorFlow:
- Variáveis quantitativas padronizadas (média 0, DP 1).
- Arquitetura totalmente conectada:
- Camadas ocultas com ReLU, favorecendo relações não lineares
- Saída com Sigmoid (classificação binária)
- Compilação: Otimizador Adam + função de perda Binary Crossentropy.
- Treinamento com:
- Validação interna (30%)
- Early Stopping para evitar sobreajuste, interrompe após 3 épocas sem melhora na perda de validação.
Rede Neural
Estrutura do modelo da rede neural totalmente conectada.
![]()
Treinamento e Validação do Modelo
Acurácia e perda no treinamento e validação do modelo.
![]()
- 42 épocas, sem sobreajuste.
Conclusões
- Indivíduos com Alzheimer apresentaram pior desempenho em MMSE, Avaliação Funcional e ADL, além de maior frequência de queixas de memória e problemas comportamentais.
- O modelo de redes neurais mostrou bom desempenho, com alta acurácia, sensibilidade, especificidade e precisão, indicando baixo risco de erros.
- As variáveis selecionadas demonstraram relevância para caracterizar o quadro clínico dos pacientes.
